import pandas as pd
import numpy as np
import re
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
from plotly import graph_objects as go
import json
import requests

try:
    import folium
except:
    !pip install folium
from folium.plugins import MarkerCluster

df = pd.read_csv('C:/Users/RA/Documents/practicum/Portfolio/datasets/moscow_places.csv')

pd.set_option('display.max_columns', None)

display(df.info(), df.head())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

None

df['seats'] = df['seats'].astype('Int64')

print('Количетсво явных дубликатов:', df.duplicated().sum())
print('Количество явных дубликатов по ключемы столбцам:', df[['name', 'address']].duplicated().sum())

Количетсво явных дубликатов: 0
Количество явных дубликатов по ключемы столбцам: 0

display(df['category'].unique(), df['price'].unique(), df['district'].unique(), df['chain'].unique())

array(['кафе', 'ресторан', 'кофейня', 'пиццерия', 'бар,паб',
       'быстрое питание', 'булочная', 'столовая'], dtype=object)

array([nan, 'выше среднего', 'средние', 'высокие', 'низкие'], dtype=object)

array(['Северный административный округ',
       'Северо-Восточный административный округ',
       'Северо-Западный административный округ',
       'Западный административный округ',
       'Центральный административный округ',
       'Восточный административный округ',
       'Юго-Восточный административный округ',
       'Южный административный округ',
       'Юго-Западный административный округ'], dtype=object)

array([0, 1], dtype=int64)

df.isna().sum()

name                    0
category                0
address                 0
district                0
hours                 536
lat                     0
lng                     0
rating                  0
price                5091
avg_bill             4590
middle_avg_bill      5257
middle_coffee_cup    7871
chain                   0
seats                3611
dtype: int64

print(df.loc[df['hours'].isna()].groupby(['chain', 'name'])['name'].count().sort_values(ascending=False).head(20))

chain  name                  
0      Кафе                      88
       Ресторан                  27
       Шаурма                    10
1      Чайхана                    8
       Кафетерий                  8
       Кафе-бар                   6
       Хинкальная                 5
       Кафе бар                   4
       Кофе                       3
0      Столовая                   3
1      Японская кухня             3
       Халва, Сеть Почтоматов     2
       Deli2go                    2
       Кулинария                  2
0      Пиццерия                   2
1      Донер                      2
       Домашняя еда               2
       Cafe                       2
       Грузинская кухня           2
       Гораздо                    2
Name: name, dtype: int64

df.loc[df['address'].str.len() < 20]

df.loc[6309, 'address'] = 'Москва, Электролитный проезд, 7Б стр.5'
df.loc[6309]

name                                                   Енот
category                                               кафе
address              Москва, Электролитный проезд, 7Б стр.5
district                       Южный административный округ
hours                                                   NaN
lat                                               55.679064
lng                                               37.615015
rating                                                  4.8
price                                                   NaN
avg_bill                                                NaN
middle_avg_bill                                         NaN
middle_coffee_cup                                       NaN
chain                                                     0
seats                                                  <NA>
Name: 6309, dtype: object

sns.set_style('whitegrid')
sns.despine() 

df.plot(
    kind='scatter',
    x='lng',
    y='lat',
    grid=True,
    figsize=(6, 7)
)
plt.title('Проверка на наличие аномальных\n значений координат\n', fontsize=20)
plt.xlabel('Долгота', fontsize=12)
plt.ylabel('Широта', fontsize=12)
plt.show();

<Figure size 640x480 with 0 Axes>

plt.figure(figsize=(12, 12))

ax1 = plt.subplot(2, 2, 1)
df['rating'].hist(bins=5, grid=True)
plt.title('Проверка на наличие аномальных\n значений рейтинга\n', fontsize=20)
plt.xlabel('Оценка', fontsize=12)
plt.ylabel('Количество оценок', fontsize=12)

ax2 = plt.subplot(2, 2, 2)
df['seats'].hist(bins=50, grid=True)
plt.title('Проверка на наличие аномальных\n значений количества\n посадочных мест', fontsize=20)
plt.xlabel('Количество заведений', fontsize=12)
plt.ylabel('Количество посадочных мест', fontsize=12)

ax3 = plt.subplot(2, 2, 3)
plt.boxplot(
    df[pd.notnull(df['middle_coffee_cup'])]['middle_coffee_cup']
)
plt.grid(True)
plt.title('Проверка на наличие аномальных\n значений стоимости капучино\n', fontsize=20)
plt.ylabel('Средяя стоимость капучинно, у.е.', fontsize=12)

ax4 = plt.subplot(2, 2, 4)
plt.boxplot(
    df[pd.notnull(df['middle_avg_bill'])]['middle_avg_bill']
)
plt.grid(True)
plt.title('Проверка на наличие аномальных\n значений среднего чека\n', fontsize=20)
plt.ylabel('Средний чек, у.е.', fontsize=12)
plt.tight_layout();

df.query('middle_coffee_cup > 400')

df = df.loc[(df['middle_coffee_cup'] < 400) | df['middle_coffee_cup'].isna()]

percentile_avg_bill=[]
percentile_range=np.arange(90, 100, 0.1)
for i in percentile_range:
    percentile_avg_bill.append(round(np.percentile(df.query('middle_avg_bill > 0')['middle_avg_bill'], [i])[0], 2))
percentile_avg_bill_df = pd.DataFrame({'percentile_range': percentile_range, 'percentile_values': percentile_avg_bill})

percentile_avg_bill_df.plot(
    x='percentile_range',
    y='percentile_values',
    grid=True,
    figsize=(15, 4),
    style='o-'
)
plt.xticks(np.arange(90, 101, 0.5))
plt.title('Перцентили среднего чека\n', fontsize=20)
plt.xlabel('Перцентиль', fontsize=12)
plt.ylabel('Сумма среднего чека, у.е.', fontsize=12)
;

''

df = (df.loc[(df['middle_avg_bill'] <= np.percentile(df.query('middle_avg_bill > 0')['middle_avg_bill'], [99.2])[0])
             | df['middle_avg_bill'].isna()])
df.shape

(8381, 14)

136

category
кафе               44
кофейня            24
ресторан           20
быстрое питание    18
булочная           11
пиццерия           10
столовая            5
бар,паб             4
Name: name, dtype: int64

seats
0     136
1       4
2      15
3      13
4      25
5      27
6      31
7       5
8      23
9       4
10     78
Name: seats, dtype: int64

category
кафе               71
быстрое питание    39
кофейня            39
ресторан           30
булочная           16
пиццерия           15
столовая            6
бар,паб             4
Name: name, dtype: int64

''

(8161, 14)

''

625     23
644      2
650      6
660      2
675      1
760      1
920      2
1040     4
1200     1
1288    11
Name: seats, dtype: Int64

(8107, 14)

df = (df.loc[(df['middle_avg_bill'] <= np.percentile(df.query('middle_avg_bill > 0')['middle_avg_bill'], [99.2])[0])
             | df['middle_avg_bill'].isna()])
df.shape

(8381, 14)

display(df.query('seats == 0')['seats'].count())
df.query('seats == 0').groupby('category')['name'].count().sort_values(ascending=False)

136

category
кафе               44
кофейня            24
ресторан           20
быстрое питание    18
булочная           11
пиццерия           10
столовая            5
бар,паб             4
Name: name, dtype: int64

df.groupby('seats')['seats'].count().head(11)

seats
0     136
1       4
2      15
3      13
4      25
5      27
6      31
7       5
8      23
9       4
10     78
Name: seats, dtype: int64

df.loc[df['seats'] < 6].groupby('category')['name'].count().sort_values(ascending=False)

category
кафе               71
быстрое питание    39
кофейня            39
ресторан           30
булочная           16
пиццерия           15
столовая            6
бар,паб             4
Name: name, dtype: int64

percentile_seats_low=[]
percentile_range_low = np.arange(0, 10, 0.1)

for i in percentile_range_low:
    percentile_seats_low.append(round(np.percentile(df.query('seats > 0')['seats'], [i])[0], 2))
percentile_seats_low_df = pd.DataFrame({'percentile_range': percentile_range_low, 'percentile_values': percentile_seats_low})

percentile_seats_low_df.plot(
    x='percentile_range',
    y='percentile_values',
    grid=True,
    figsize=(15, 4),
    style='o-'
)
plt.xticks(np.arange(0, 10, 0.5))
plt.title('Перцентили (ниже 10%) количества посадочных мест\n', fontsize=20)
plt.xlabel('Перцентиль', fontsize=12)
plt.ylabel('Количество посадочных мест', fontsize=12)
;

''

df = df.loc[(df['seats'] >= np.percentile(df.query('seats > 0')['seats'], [1.8])[0]) | df['seats'].isna()]
df.shape

(8161, 14)

percentile_seats=[]

for i in percentile_range:
    percentile_seats.append(round(np.percentile(df.query('seats > 0')['seats'], [i])[0], 2))
percentile_seats_df = pd.DataFrame({'percentile_range': percentile_range, 'percentile_values': percentile_seats})

percentile_seats_df.plot(
    x='percentile_range',
    y='percentile_values',
    grid=True,
    figsize=(15, 4),
    style='o-'
)
plt.xticks(np.arange(90, 101, 0.5))
plt.title('Перцентили (выше 90%) количества посадочных мест\n', fontsize=20)
plt.xlabel('Перцентиль', fontsize=12)
plt.ylabel('Количество посадочных мест', fontsize=12)
;

''

df.query('seats > 600')['seats'].value_counts().sort_index()

625     23
644      2
650      6
660      2
675      1
760      1
920      2
1040     4
1200     1
1288    11
Name: seats, dtype: Int64

df.query('seats > 624')[['name', 'category', 'address', 'district', 'lat', 'lng', 'chain', 'seats']].sort_values(by=['seats', 'address'])

df = df.loc[(df['seats'] <= np.percentile(df.query('seats > 0')['seats'], [98.8])[0]) | df['seats'].isna()]
df.shape

(8107, 14)

df.head(5)

df['street'] = df['address'].apply(lambda x: re.split(', ', x)[1])
df['street']

0                 улица Дыбенко
2            Клязьминская улица
3       улица Маршала Федоренко
4           Правобережная улица
5                Ижорская улица
                 ...           
8401          Профсоюзная улица
8402      Пролетарский проспект
8403           Люблинская улица
8404           Люблинская улица
8405        Россошанский проезд
Name: street, Length: 8107, dtype: object

df['hours'].value_counts().head(20)

ежедневно, 10:00–22:00                                  728
ежедневно, круглосуточно                                682
ежедневно, 11:00–23:00                                  382
ежедневно, 10:00–23:00                                  303
ежедневно, 12:00–00:00                                  243
ежедневно, 09:00–21:00                                  191
ежедневно, 09:00–22:00                                  178
ежедневно, 12:00–23:00                                  174
ежедневно, 08:00–23:00                                  152
ежедневно, 08:00–22:00                                  141
ежедневно, 09:00–23:00                                  134
ежедневно, 11:00–00:00                                  124
ежедневно, 10:00–21:00                                  101
пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00     89
ежедневно, 10:00–00:00                                   78
ежедневно, 08:00–21:00                                   71
пн-пт 08:00–19:00                                        69
пн-пт 09:00–18:00                                        67
пн-пт 08:00–21:00; сб,вс 09:00–21:00                     64
пн-чт 12:00–00:00; пт,сб 12:00–02:00; вс 12:00–00:00     64
Name: hours, dtype: int64

df['is_24_7'] = df['hours'] == 'ежедневно, круглосуточно'

part_category = df['category'].value_counts()

category_colors = ['tomato', 'palegreen', 'saddlebrown', 'peru', 'gold', 'paleturquoise', 'cornflowerblue', 'wheat']

plt.figure(figsize=(12, 12))

ax1 = plt.subplot(2,1,1)
plt.pie(
    part_category,
    autopct = '%1.1f%%',
    colors = category_colors,
    wedgeprops = {"linewidth": 1, "edgecolor": "white"},
    pctdistance = 0.8,
    #startangle=0,
    labels = part_category.index
)

plt.title('Доли категорий заведений  \n', fontsize=20)

ax2 = plt.subplot(2,1,2)
plots = df['category'].value_counts().plot(
        kind='bar',
        color=category_colors
)


for bar in plots.patches:
  
       plots.annotate(format(bar.get_height(), '.0f'), 
                   (bar.get_x() + bar.get_width() / 2, 
                    bar.get_height()), ha='center', va='center',
                    size=12, xytext=(0, 5),
                    textcoords='offset points')

plt.title('Категории заведений и их количество\n', fontsize=20)
plt.xlabel('Категория', fontsize=12)
plt.xticks(rotation=55)
plt.ylabel('Количество заведений, шт.', fontsize=12);
plt.tight_layout();

category_seats_cnt = df.groupby('category')['seats'].describe().sort_values(by='count', ascending=False).round(2)
category_seats_cnt

plots1 = category_seats_cnt[['mean', '50%']].sort_values(by='50%', ascending=False).plot(
                        kind='bar',
                        figsize=(12, 6),
                        color=category_colors)

for bar in plots1.patches:
  
       plots1.annotate(format(bar.get_height(), '.0f'), 
                       (bar.get_x() + bar.get_width() / 2, 
                        bar.get_height()), ha='center', va='center',
                        size=12, xytext=(0, 5),
                        textcoords='offset points')

plt.title('Категории посадочных мест по тпу заведения\n', fontsize=20)
plt.xlabel('Категория', fontsize=12)
plt.xticks(rotation=55)
plt.ylabel('Количество заведений, шт.', fontsize=12)
plt.legend(['Среднее коль-во', 'Медианное кооль-во']);

display(df.groupby('chain')['name'].count())
(df.groupby('chain')['name'].count() / df.shape[0]).round(2)

chain
0    5008
1    3099
Name: name, dtype: int64

chain
0    0.62
1    0.38
Name: name, dtype: float64

Доля заведений расположенных на Топ-15 улицах по количеству заведений от всех заведений в Мосвке составляет: 14.8 %

Количество улиц с одним заведением общественного питания: 457

display(df.groupby('chain')['name'].count())
(df.groupby('chain')['name'].count() / df.shape[0]).round(2)

chain
0    5008
1    3099
Name: name, dtype: int64

chain
0    0.62
1    0.38
Name: name, dtype: float64

chain_category = (
                  df.pivot_table(index='category', columns='chain', values='name', aggfunc='count')
                  .apply(lambda x: x / sum(x), axis=1)
                  .sort_values(by=1, ascending=False)
                 )

plots2 = chain_category[[0, 1]].plot(
                        kind='bar',
                        figsize=(15, 6),
                        ylim=(0, chain_category[0].max() + 0.3),
                        color = category_colors
)

for bar in plots2.patches:
  
       plots2.annotate(format(bar.get_height(), '.1%'), 
                       (bar.get_x() + bar.get_width() / 2, 
                        bar.get_height()), ha='center', va='center', rotation=90,
                        size=12, xytext=(0, 30),
                        textcoords='offset points')

plt.title('Категории заведений и их доля\n', fontsize=20)
plt.xlabel('Категория', fontsize=12)
plt.xticks(rotation=55)
plt.ylabel('Доля заведений, %.', fontsize=12)
plt.legend(['Несетевые заведения', 'Сетевые заведения']);

chain_category = (pd.crosstab(df['category'], df['chain'], margins=True)#, normalize=True)
 .sort_values(by='All', ascending=False)
 .reset_index())
 #.style.format('{:.1%}'))
chain_category

top_distributers = (
                    df.query('chain == 1').groupby(['name', 'category'])['name'].count()
                    .sort_values(ascending=False)
                    .to_frame()
                    .head(15)
                    .rename(columns={'name': 'count'})
                    .reset_index()
)

#for i in top_distributer['category']:
#    if (i == chain_category['category']).any():
#        print(top_distributer.loc[top_distributer['category'] == i]['count']*100)
#    else:
#        pass

top_distributers_part = top_distributers.merge(chain_category[['category', 1, 'All']], how='left')

#Создаём столбцы с долями
top_distributers_part['part_of_distributers'] = top_distributers_part['count'] / top_distributers_part[1]
top_distributers_part['part_of_all_category'] = top_distributers_part['count'] / top_distributers_part['All']

(top_distributers_part[['name', 'category', 'count', 'part_of_distributers', 'part_of_all_category']]
 .style.format({'part_of_distributers': '{:.1%}', 'part_of_all_category': '{:.1%}'}))

top_distributers_part.sort_values(by='part_of_distributers').plot(
    kind='barh',
    y=['part_of_distributers', 'part_of_all_category'],
    x='name',
    figsize=(12, 8),
    color = ['tomato', 'limegreen']
)
plt.title('Доли Топ-15 сетей в своих категориях\n', fontsize=20)
plt.xlabel('Доля заведений', fontsize=12)
plt.ylabel('Сеть общественного питания', fontsize=12)
plt.legend(['Доля в категории среди сетей', 'Доля среди всех заведений в категории'])
plt.xticks(np.arange(0, 0.25, 0.025))
plt.show();

categories_in_the_district =  (pd.crosstab(df['district'], df['category'], margins=True)[:-1]
                               .sort_values(by='All', ascending=False))

categories_in_the_district.style.background_gradient(cmap='OrRd', axis=0)

fig=px.bar(categories_in_the_district.sort_values(by='All').iloc[:, 0:-1],
           #barmode='group',
           orientation='h',
           color_discrete_sequence=['peru', 'wheat', 'paleturquoise', 'tomato', 'saddlebrown', 'gold', 'palegreen',
                                    'cornflowerblue'])

fig.update_layout(legend=dict(
                                orientation="h",
                                yanchor="bottom",
                                y=-0.3,
                                xanchor="right",
                                x=1
                              ),
                  title='Распределение заведений общественного питаний по административным округам г. Москвы',
                  yaxis_title='Административный округ',
                  xaxis_title='Количество заведений'
)
fig.show();

plots = df.groupby('category')['rating'].mean().sort_values(ascending=False).plot(
        kind='bar',
        color=['peru', 'gold', 'palegreen', 'wheat', 'saddlebrown', 'cornflowerblue', 'tomato', 'paleturquoise'],
        figsize=(12, 5),
        ylim=(4, 4.5)
)

for bar in plots.patches:
  
       plots.annotate(format(bar.get_height(), '.2f'), 
                   (bar.get_x() + bar.get_width() / 2, 
                    bar.get_height()), ha='center', va='center',
                    size=12, xytext=(0, 5),
                    textcoords='offset points')

plt.title('Средний рейтинг категории заведений\n', fontsize=20)
plt.xlabel('Категория', fontsize=12)
plt.xticks(rotation=55)
plt.ylabel('Средний рейтинг', fontsize=12);
plt.tight_layout();

rating_by_district = df.groupby('district')['rating'].mean().to_frame().round(2)

rating_by_category_and_district = (df.pivot_table(index='district', columns='category', values='rating', aggfunc='mean')
                                   .merge(rating_by_district, left_index=True, right_index=True)
                                   .sort_values(by='rating', ascending=False))

rating_by_category_and_district = (rating_by_category_and_district[rating_by_category_and_district
                                   .loc['Центральный административный округ'].sort_values(ascending=False).index])

rating_by_category_and_district = rating_by_category_and_district[['rating'] + [x for x in rating_by_category_and_district.columns if x != 'rating']]

rating_by_category_and_district.style.background_gradient(cmap='OrRd', axis=None).format('{:.2f}')

try:
    with open('/datasets/admin_level_geomap.geojson', 'r', encoding='utf-8') as f:
        state_geo = json.load(f)
except:
    state_geo = requests.get('https://code.s3.yandex.net/data-analyst/admin_level_geomap.geojson').json()
    
map1_data = rating_by_district.reset_index()

#try:
#    state_geo = '/datasets/admin_level_geomap.geojson'
#except:
#    state_geo = 'https://code.s3.yandex.net/data-analyst/admin_level_geomap.geojson'

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
rating_map = folium.Choropleth(
                                geo_data=state_geo,
                                data=map1_data,
                                columns=['district', 'rating'],
                                key_on='feature.name',
                                fill_color='OrRd',
                                fill_opacity=0.8,
                                legend_name='Медианный рейтинг заведений по округам',
                                ).add_to(m)

#Добавляем данные в Tooltip
for row in rating_map.geojson.data['features']:
    try:
        row['properties']['Средяя оценка'] = str(rating_by_district.loc[row['properties']['name'],'rating'])
    except KeyError:
        row['properties']['Средяя оценка'] = 'No adherents'
    
folium.GeoJsonTooltip(['name','Средяя оценка'],aliases=['Округ:','Средяя оценка:']).add_to(rating_map.geojson)

folium.LayerControl().add_to(m)

m

# создаём карту Москвы
m_clusters = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m_clusters)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    folium.Marker(
                    [row['lat'], row['lng']],
                    popup=f"{row['name']} {row['address']}",
                ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
df.apply(create_clusters, axis=1)

# выводим карту
m_clusters

#Создадим список с названиями улиц входящих в топ 15 по числу заведений общественного питания
top15_streets = df.groupby(['street'])['name'].count().sort_values(ascending=False).reset_index().head(15)['street'].tolist()

#Созданим датафрейм Топ-15 улиц
df_top15_s = df.query('street in @top15_streets')
print('Доля заведений расположенных на Топ-15 улицах по количеству заведений от всех заведений в Мосвке составляет:',
      round((len(df_top15_s) / len(df) *100), 1), '%')

Доля заведений расположенных на Топ-15 улицах по количеству заведений от всех заведений в Мосвке составляет: 14.8 %

categories_in_the_streets =  (pd.crosstab(df_top15_s['street'], df['category'], margins=True)[:-1]
                               .sort_values(by='All', ascending=False))

(categories_in_the_streets[categories_in_the_streets.loc['проспект Мира'].sort_values(ascending=False).index]
.style.background_gradient(cmap='OrRd', axis=0))

fig=px.bar(categories_in_the_streets.sort_values(by='All').iloc[:, 0:-1],
           #barmode='group',
           orientation='h',
           color_discrete_sequence=['peru', 'wheat', 'paleturquoise', 'tomato', 'saddlebrown', 'gold', 'palegreen',
                                    'cornflowerblue'])

fig.update_layout(legend=dict(
                                orientation="h",
                                yanchor="bottom",
                                y=-0.3,
                                xanchor="right",
                                x=1
                              ),
                  title='Распределение заведений общественного питаний по административным округам г. Москвы',
                  yaxis_title='Административный округ',
                  xaxis_title='Количество заведений',
                  plot_bgcolor='white'
)
fig.update_xaxes(showline=True, gridcolor='silver')
fig.show();

print('Количество улиц с одним заведением общественного питания:', (df['street'].value_counts() == 1).sum())

Количество улиц с одним заведением общественного питания: 457

df_antitop = df[~df.duplicated('street', keep=False)]
#df_antitop = df[df.groupby('street')['street'].transform('size') == 1]

# создаём карту Москвы
m_clusters1 = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='OpenStreetMap')

# создаём пустой кластер, добавляем его на карту
marker_cluster1 = MarkerCluster().add_to(m_clusters1)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters1(row):
    folium.Marker(
                    [row['lat'], row['lng']],
                    popup=f"{row['name']} {row['address']}",
                ).add_to(marker_cluster1)

# применяем функцию create_clusters() к каждой строке датафрейма
df_antitop.apply(create_clusters1, axis=1)

# выводим карту
m_clusters1

avg_bill_i = df.groupby('district')['middle_avg_bill'].median().sort_values(ascending=False).to_frame()
avg_bill = avg_bill_i.reset_index()
avg_bill_i.style.background_gradient(cmap='OrRd').format('{:.0f} ₽')

m2 = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
avg_bill_map = folium.Choropleth(
                                geo_data=state_geo,
                                data=avg_bill,
                                columns=['district', 'middle_avg_bill'],
                                key_on='feature.name',
                                fill_color='OrRd',
                                fill_opacity=0.8,
                                legend_name='Средний чек по округам',
                                ).add_to(m2)

#Добавляем данные в Tooltip
for row in avg_bill_map.geojson.data['features']:
    try:
        row['properties']['Средний чек'] = str(avg_bill_i.loc[row['properties']['name'],'middle_avg_bill'])
    except KeyError:
        row['properties']['Средний чек'] = 'No adherents'
    
folium.GeoJsonTooltip(['name','Средний чек'],aliases=['Округ:','Средяя оценка:']).add_to(avg_bill_map.geojson)

folium.LayerControl().add_to(m2)

m2

fig2 = px.scatter_mapbox(df.loc[df['middle_avg_bill'] > 0].sort_values(by='middle_avg_bill'),
                  lat='lat',
                  lon='lng',
                  mapbox_style='carto-positron',
                  color='middle_avg_bill',
                  size='middle_avg_bill',
                  size_max=15,
                  color_continuous_scale='inferno',#[[0, 'black'], [0.5, 'orange'], [1.0, 'crimson']],
                  width=900, 
                  height=900,
                  zoom=9.7
)

fig2.update_layout(
                  title={
                      'text': 'Средний чек в заведениях, ₽',
                      'y':0.98,
                      'x':0.5,
                      'xanchor': 'center',
                      'yanchor': 'top'})
fig2.show()

category_distict_bill = df.pivot_table(index='district', columns='category', values='middle_avg_bill', aggfunc='mean')\
                          .sort_values(by='бар,паб', ascending=False).round(1)
category_distict_bill = (category_distict_bill[category_distict_bill
                                   .loc['Центральный административный округ'].sort_values(ascending=False).index])
category_distict_bill.style.background_gradient(cmap='OrRd', axis=None).format('{:.0f} ₽')

fig=px.bar(category_distict_bill.sort_values(by='бар,паб'),
           #barmode='group',
           orientation='h',
           barmode='group',
           width=950, 
           height=1000,
           color_discrete_sequence=['palegreen', 'peru', 'wheat', 'gold', 'saddlebrown', 'tomato', 'paleturquoise',
                                    'cornflowerblue'])

fig.update_layout(legend=dict(
                                orientation="h",
                                yanchor="bottom",
                                y=-0.1,
                                xanchor="right",
                                x=1
                              ),
                  title='Средний чек заведений общественного питаний по административным округам г. Москвы',
                  yaxis_title='Административный округ',
                  xaxis_title='Средний чек, ₽',
                  plot_bgcolor='white'
)
fig.update_xaxes(showline=True, gridcolor='silver', linewidth=2, linecolor='black',)
fig.show();

coffee_table = (
                categories_in_the_district['кофейня'].to_frame()
                .rename(columns={'кофейня': 'Количество'})
                .join(rating_by_category_and_district['кофейня'])
                .rename(columns={'кофейня': 'Рейтинг'})
                .join(category_distict_bill['кофейня'])
                .rename(columns={'кофейня': 'Средний чек'})
                .join(df.query('category == "кофейня"').groupby('district')['seats'].mean())
                .rename(columns={'seats': 'Ср. коль-во мест'})
                .join((1-df.query('category == "кофейня"').groupby('district')['chain'].mean()))
                .rename(columns={'chain': 'Доля не сетевых'})
                .join(df.query('category == "кофейня"').groupby('district')['is_24_7'].sum())
                .rename(columns={'is_24_7': 'Количество круглосуточных'})
                .sort_values(by='Количество', ascending=False)
                )

coffee_table['Доля круглосуточных'] = coffee_table['Количество круглосуточных'] / coffee_table['Количество']
coffee_table['Население, чел'] = [774430, 1455811, 1217909, 1768752, 1425114, 1508678, 1515787, 1435550, 1039596]
coffee_table['Плотность населения, чел/км2'] = [11702.67, 14289.05, 10709.15, 13422.73, 9312.38, 9743.75, 12893.76,
                                                12890.82, 11144.78]
coffee_table['Количество на человека'] = coffee_table['Количество'] / coffee_table['Население, чел']

coffee_table.style.background_gradient(cmap='OrRd', axis=0).format({
    'Рейтинг': '{:.2f}',
    'Ср. коль-во мест': '{:.0f}',
    'Средний чек': '{:.2f} ₽',
    'Плотность населения, чел/км2': '{:.1f}',
    'Доля круглосуточных': '{:.1%}',
    'Доля не сетевых': '{:.1%}'
})

coffee_table.corr().style.background_gradient(cmap='coolwarm', axis=None).format('{:.2f}')

# создаём карту Москвы
m_coffee = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='OpenStreetMap')

# создаём пустой кластер, добавляем его на карту
marker_cluster_coffee = MarkerCluster().add_to(m_coffee)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    folium.Marker(
                    [row['lat'], row['lng']],
                    popup=f"{row['name']} {row['address']}. Средний чек: {row['middle_avg_bill']}",
                ).add_to(marker_cluster_coffee)

# применяем функцию create_clusters() к каждой строке датафрейма
df.query('category == "кофейня"').apply(create_clusters, axis=1)


#Применяем индивидуальные иконки для кофеен, для которых изместен средний чек
def create_clusters(row):
    # сохраняем URL-адрес изображения со значком торгового центра с icons8,
    # это путь к файлу на сервере icons8
    icon_url = 'https://img.icons8.com/?size=100&id=f8vpZHFhtUcH&format=png&color=000000'  
    # создаём объект с собственной иконкой размером 50x50
    icon = folium.CustomIcon(icon_url, icon_size=(50, 50))
    
    # создаём маркер с иконкой icon и добавляем его в кластер
    folium.Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['middle_avg_bill']}",
        icon=icon,
    ).add_to(marker_cluster_coffee)

# применяем функцию для создания кластеров к каждой строке датафрейма
df.query('category == "кофейня" and middle_avg_bill > 0').apply(create_clusters, axis=1)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
avg_bill_coffee_map = folium.Choropleth(
                                geo_data=state_geo,
                                data=coffee_table.reset_index(),
                                columns=['district', 'Средний чек'],
                                key_on='feature.name',
                                fill_color='OrRd',
                                fill_opacity=0.4,
                                legend_name='Средний чек по округам'
                                ).add_to(m_coffee)

#Добавляем данные в Tooltip
for row in avg_bill_coffee_map.geojson.data['features']:
    try:
        row['properties']['Средний чек'] = str(coffee_table.loc[row['properties']['name'],'Средний чек'])
    except KeyError:
        row['properties']['Средний чек'] = 'No adherents'
    
folium.GeoJsonTooltip(['name','Средний чек'],aliases=['Округ:','Средний чек: ']).add_to(avg_bill_coffee_map.geojson)

folium.LayerControl().add_to(m_coffee)

# выводим карту
m_coffee

coffee_table.sort_values(by='Количество').plot(
    kind='barh',
    y=['Количество', 'Количество круглосуточных'],
    figsize=(12, 5),
    color = ['tomato', 'limegreen']
)

for i, v in enumerate(coffee_table.sort_values(by='Количество')['Количество']):
    plt.text(v - 3 if v > 10 else v + 3, i + 0.1, str(v), color='black')
    
for i, v in enumerate(coffee_table.sort_values(by='Количество круглосуточных')['Количество круглосуточных']):
    plt.text(v - 3 if v > 10 else v + 3, i + 0.1, str(v), color='black')

plt.title('Количество кофеен по округам Москвы \n', fontsize=20)
plt.xlabel('Количество кофеен, шт', fontsize=12)
plt.ylabel('Округ Москвы', fontsize=12)
plt.legend(['Количество кофеен', 'Количество круглосуточных кофеен'])
plt.show();

district_list = ['ЦАО', 'САО', 'СВАО', 'ЗАО', 'ЮАО', 'ВАО', 'ЮЗАО', 'ЮВАО', 'СЗАО']

plt.figure(figsize=(15, 7))

ax1 = plt.subplot(1, 2, 1)

plt.barh(
    district_list,
    coffee_table['Средний чек'],
    color='tomato'
)

plt.title('Средний чек в кофейнях\n по округам Москвы \n', fontsize=17)
plt.xlabel('Средний чек, ₽', fontsize=12)
plt.ylabel('Округ Москвы', fontsize=12)

ax1 = plt.subplot(1, 2, 2)

plt.barh(
    district_list,
    coffee_table['Рейтинг'],
    color='palegreen'
)


plt.xlim(4, 4.4)
plt.title('Рейтинг кофеен\n по округам Москвы \n', fontsize=17)
plt.xlabel('Рейтинг по 5 бальной шкале', fontsize=12)

plt.show();

	name	category	address	district	lat	lng	chain	seats
1826	Волконский	булочная	Москва, Ленинградский проспект, 29, корп. 1	Северный административный округ	55.785088	37.562647	1	625
1838	Take and Wake	кофейня	Москва, Ленинградский проспект, 31А, стр. 1	Северный административный округ	55.783494	37.559933	1	625
1867	VASILCHUKÍ Chaihona №1	ресторан	Москва, Ленинградский проспект, 31А, стр. 1	Северный административный округ	55.783590	37.560170	1	625
2087	Лобби-бар Манжо	бар,паб	Москва, Ленинградский проспект, 31А, стр. 1	Северный административный округ	55.783622	37.559943	0	625
2104	Ванильное небо	кофейня	Москва, Ленинградский проспект, 31А, стр. 1	Северный административный округ	55.784066	37.559398	1	625
2035	Столичный вкус	столовая	Москва, Ленинградский проспект, 35, стр. 1	Северный административный округ	55.789750	37.552723	1	625
1880	Чайхона Айва	кафе	Москва, Ленинградский проспект, 45, корп. 1	Северный административный округ	55.798882	37.533990	1	625
1766	Золотая Бухара	ресторан	Москва, Ленинградский проспект, 48, подъезд 1	Северный административный округ	55.796294	37.542917	0	625
2010	Coffeeteabar	кофейня	Москва, Ленинградский проспект, 60, корп. 1	Северный административный округ	55.799751	37.535100	0	625
1326	Нам	бар,паб	Москва, Ленинградский проспект, 69, стр. 1	Северный административный округ	55.803236	37.517898	1	625
1385	Чайхона на Соколе	кафе	Москва, Ленинградский проспект, 69, стр. 1	Северный административный округ	55.803236	37.517931	0	625
1367	Академия	пиццерия	Москва, Ленинградский проспект, 72, корп. 1	Северный административный округ	55.805579	37.520086	1	625
1393	Кулинарная лавка братьев Караваевых	кафе	Москва, Ленинградский проспект, 72, корп. 1	Северный административный округ	55.805791	37.520339	1	625
1442	ABC coffee roasters	кофейня	Москва, Ленинградский проспект, 72, корп. 1	Северный административный округ	55.805547	37.520395	0	625
1464	Находка	ресторан	Москва, Ленинградский проспект, 74, корп. 1	Северный административный округ	55.804972	37.517319	1	625
1548	French Bakery	кафе	Москва, Ленинградский проспект, 74, корп. 1	Северный административный округ	55.805133	37.516952	1	625
1380	Север-Метрополь	кофейня	Москва, Ленинградский проспект, 75, корп. 1	Северный административный округ	55.804940	37.512423	1	625
1355	Страдивари	ресторан	Москва, Ленинградский проспект, 77, корп. 1	Северный административный округ	55.804980	37.509454	1	625
1351	Максима Пицца	пиццерия	Москва, Ленинградский проспект, 78, корп. 1	Северный административный округ	55.805807	37.513994	0	625
1498	Brooklyn Coffee	кофейня	Москва, Ленинградский проспект, 78, корп. 1	Северный административный округ	55.805743	37.514283	0	625
1446	9 Bar Coffee	кофейня	Москва, Ленинградский проспект, 80, корп. 1	Северный административный округ	55.810352	37.506625	1	625
1475	Falko Pizza	пиццерия	Москва, Ленинградский проспект, 80, корп. 1	Северный административный округ	55.810617	37.508490	0	625
1672	Ача-Чача	ресторан	Москва, Ленинградский проспект, 9Б, стр. 1	Северный административный округ	55.780576	37.574727	1	625
6548	Vibes cafe	кафе	Москва, улица Миклухо-Маклая, 6	Юго-Западный административный округ	55.651882	37.499295	0	644
6696	Кабул	ресторан	Москва, улица Миклухо-Маклая, 6	Юго-Западный административный округ	55.652025	37.498719	1	644
5655	The Fox Pub	бар,паб	Москва, Мичуринский проспект, 22, корп. 1	Западный административный округ	55.701625	37.504137	0	650
5758	Шоколадница	кофейня	Москва, Мичуринский проспект, 22, корп. 1	Западный административный округ	55.701211	37.503986	1	650
5835	Lyanson’s coffee	кафе	Москва, Мичуринский проспект, 27, корп. 1	Западный административный округ	55.697630	37.501684	0	650
5841	For Your Kids	кафе	Москва, Мичуринский проспект, 58, корп. 1	Западный административный округ	55.691382	37.486793	0	650
5720	Ресторан китайской кухни Чуаньюй	ресторан	Москва, Мичуринский проспект, 7, корп. 1	Западный административный округ	55.700431	37.512799	0	650
5738	Университетское	кофейня	Москва, Мичуринский проспект, 8, стр. 1	Западный административный округ	55.705561	37.511163	0	650
2901	Ресторан Тройка	бар,паб	Москва, Измайловское шоссе, 71, корп. 2Б	Восточный административный округ	55.789276	37.747832	0	660
2913	Хаус бар	бар,паб	Москва, Измайловское шоссе, 71, корп. 2Б	Восточный административный округ	55.789639	37.747274	0	660
7987	Ресторан	ресторан	Москва, улица Маршала Захарова, 6, корп. 1	Южный административный округ	55.623680	37.704937	0	675
5486	Дом	кафе	Москва, улица Юности, 1	Восточный административный округ	55.736204	37.815500	0	760
4180	Eataly	бар,паб	Москва, Киевская улица, 2	Западный административный округ	55.743405	37.562535	0	920
4245	Стейк & Бургер	кафе	Москва, Киевская улица, 2	Западный административный округ	55.742953	37.561872	1	920
2713	Ваня и Гоги	бар,паб	Москва, Измайловское шоссе, 71, корп. А	Восточный административный округ	55.789842	37.750282	0	1040
2722	Маргарита	быстрое питание	Москва, Измайловское шоссе, 71, корп. А	Восточный административный округ	55.789527	37.752004	1	1040
2770	Шоколадница	кофейня	Москва, Измайловское шоссе, 71, корп. А	Восточный административный округ	55.789903	37.749822	1	1040
2966	Матрешка	кафе	Москва, Измайловское шоссе, 71, корп. А	Восточный административный округ	55.789867	37.749656	0	1040
4231	РестоБар Argomento	столовая	Москва, Кутузовский проспект, 41, стр. 1	Западный административный округ	55.738237	37.531819	0	1200
6524	Ян Примус	ресторан	Москва, проспект Вернадского, 121, корп. 1	Западный административный округ	55.657166	37.481519	1	1288
6684	Пивной ресторан	бар,паб	Москва, проспект Вернадского, 121, корп. 1	Западный административный округ	55.657133	37.481508	0	1288
6690	Японская кухня	ресторан	Москва, проспект Вернадского, 121, корп. 1	Западный административный округ	55.657255	37.481547	1	1288
6838	Alternative coffee	кофейня	Москва, проспект Вернадского, 41, стр. 1	Западный административный округ	55.673128	37.502992	0	1288
6808	Яндекс Лавка	ресторан	Москва, проспект Вернадского, 51, стр. 1	Западный административный округ	55.672580	37.507753	1	1288
6641	One Price Coffee	кофейня	Москва, проспект Вернадского, 84, стр. 1	Западный административный округ	55.665129	37.478635	1	1288
6771	Точка	кафе	Москва, проспект Вернадского, 84, стр. 1	Западный административный округ	55.665634	37.477830	1	1288
6807	Loft-cafe академия	кафе	Москва, проспект Вернадского, 84, стр. 1	Западный административный округ	55.665142	37.478603	0	1288
6518	DelonixCafe	ресторан	Москва, проспект Вернадского, 94, корп. 1	Западный административный округ	55.652577	37.475730	0	1288
6574	Мюнгер	пиццерия	Москва, проспект Вернадского, 97, корп. 1	Западный административный округ	55.667505	37.491001	1	1288
6658	ГудБар	бар,паб	Москва, проспект Вернадского, 97, корп. 1	Западный административный округ	55.667327	37.490601	0	1288

	count	mean	std	min	25%	50%	75%	max
category
ресторан	1212.0	117.23	96.66	6.0	49.0	87.0	150.0	500.0
кафе	1134.0	95.53	89.96	6.0	40.0	64.5	120.0	585.0
кофейня	699.0	106.03	90.40	6.0	42.0	80.0	144.5	500.0
бар,паб	453.0	111.25	95.73	6.0	48.0	82.0	140.0	585.0
пиццерия	408.0	91.10	85.37	6.0	30.0	56.0	120.0	455.0
быстрое питание	309.0	108.09	93.22	6.0	40.0	80.0	155.0	500.0
столовая	156.0	93.14	76.70	6.0	40.0	78.0	117.0	428.0
булочная	131.0	96.08	87.06	6.0	35.5	70.0	132.5	478.0

chain	category	0	1	All
0	All	5008	3099	8107
1	кафе	1543	750	2293
2	ресторан	1273	710	1983
3	кофейня	660	701	1361
4	бар,паб	582	166	748
5	пиццерия	292	322	614
6	быстрое питание	346	216	562
7	столовая	220	87	307
8	булочная	92	147	239

	name	category	count	part_of_distributers	part_of_all_category
0	Шоколадница	кофейня	116	16.5%	8.5%
1	Домино'с Пицца	пиццерия	74	23.0%	12.1%
2	Додо Пицца	пиццерия	73	22.7%	11.9%
3	One Price Coffee	кофейня	68	9.7%	5.0%
4	Cofix	кофейня	64	9.1%	4.7%
5	Яндекс Лавка	ресторан	64	9.0%	3.2%
6	Prime	ресторан	49	6.9%	2.5%
7	КОФЕПОРТ	кофейня	42	6.0%	3.1%
8	Кулинарная лавка братьев Караваевых	кафе	38	5.1%	1.7%
9	Теремок	ресторан	34	4.8%	1.7%
10	CofeFest	кофейня	31	4.4%	2.3%
11	Буханка	булочная	25	17.0%	10.5%
12	Чайхана	кафе	25	3.3%	1.1%
13	Drive Café	кафе	23	3.1%	1.0%
14	Кофемания	кофейня	22	3.1%	1.6%

	rating	бар,паб	ресторан	пиццерия	булочная	кофейня	столовая	кафе	быстрое питание
district
Центральный административный округ	4.38	4.49	4.41	4.41	4.37	4.33	4.31	4.30	4.24
Северный административный округ	4.24	4.33	4.28	4.29	4.26	4.29	4.21	4.19	4.00
Северо-Западный административный округ	4.21	4.37	4.29	4.32	4.28	4.31	4.23	4.06	3.92
Восточный административный округ	4.18	4.34	4.19	4.27	4.19	4.28	4.23	4.10	4.05
Западный административный округ	4.18	4.39	4.26	4.28	4.26	4.19	4.11	4.08	3.98
Южный административный округ	4.18	4.28	4.21	4.27	4.33	4.23	4.25	4.09	4.09
Юго-Западный административный округ	4.17	4.35	4.23	4.36	4.16	4.28	4.24	4.03	4.06
Северо-Восточный административный округ	4.16	4.19	4.21	4.26	4.35	4.22	4.08	4.07	4.09
Юго-Восточный административный округ	4.11	4.18	4.16	4.19	4.30	4.22	4.10	4.04	3.98

Рынок заведений общественного питания Москвы

Введение¶

Загрузка и подготовка данных к анализу¶

Зарузка данных¶

Предобработка данных¶

Проверка на наличие дубликатов¶

Обработка пропусков¶

Проверка наличия аномальных значений¶

Проверка коррекности адресов¶

Проверка на наличие аномальных значений координат¶

Проверка на наличие аномальных в числовых столбцах¶

Проверка на наличие аномальных значений среднего чека¶

Проверка на наличие аномальных значений количества посадочных мест¶

Добавление новых столбцов¶

Исследовательский анализ данных¶

Категории заведений¶

Количество посадочных мест в заведениях по категориям¶

Анализ сетевых и несетевых заведений¶

Популярные сети питания¶

Административные районы¶

Рейтинг заведений по категориям¶

Рейтинг заведений по административным округам и категориям¶

Карта заведений общественного питания¶

Улицы с наибольшим количеством заведений¶

Улицы с одним заведением¶

Средний чек¶

Средний чек по категориям и округам¶

Анализ кофеен¶

Вывод¶

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
484	Фастфуд	кофейня	Москва, парк Дружбы	Северный административный округ	ежедневно, 10:00–21:00	55.853738	37.480208	4.2	NaN	NaN	NaN	NaN	0	<NA>
3833	Лаки Сувлаки	быстрое питание	Москва, сад Эрмитаж	Центральный административный округ	ежедневно, 11:00–23:00	55.770291	37.610064	4.3	средние	Средний счёт:700–1000 ₽	850.0	NaN	1	<NA>
5404	Веранда	ресторан	Москва, парк Радуга	Восточный административный округ	ежедневно, 11:00–22:00	55.732038	37.820578	3.9	NaN	NaN	NaN	NaN	1	<NA>
5582	Стардог	кафе	Москва, парк Радуга	Восточный административный округ	ежедневно, 10:00–20:00	55.732057	37.820758	4.8	NaN	NaN	NaN	NaN	0	<NA>
6309	Енот	кафе	Москва, № 7	Южный административный округ	NaN	55.679064	37.615015	4.8	NaN	NaN	NaN	NaN	0	<NA>
7013	Пекарня	булочная	Москва, парк Зюзино	Юго-Западный административный округ	вт-вс 12:00–20:00	55.648510	37.586890	3.8	NaN	NaN	NaN	NaN	1	<NA>

category	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая	All
district
Центральный административный округ	361	50	85	463	422	113	656	65	2215
Северо-Восточный административный округ	63	26	76	258	157	66	180	40	866
Северный административный округ	65	35	54	228	182	74	179	39	856
Южный административный округ	67	22	80	247	122	67	191	42	838
Западный административный округ	46	35	60	233	144	70	212	23	823
Восточный административный округ	50	22	66	257	100	71	155	40	761
Юго-Восточный административный округ	36	11	58	274	83	54	140	25	681
Юго-Западный административный округ	38	26	55	224	93	62	166	17	681
Северо-Западный административный округ	22	12	28	109	58	37	104	16	386

category	All	кафе	ресторан	кофейня	быстрое питание	бар,паб	пиццерия	булочная	столовая
street
проспект Мира	183	52	45	36	21	12	11	4	2
Профсоюзная улица	117	31	26	18	15	6	14	4	3
Ленинский проспект	104	25	33	21	2	10	5	3	5
проспект Вернадского	96	23	29	13	12	5	11	1	2
Дмитровское шоссе	87	23	24	11	10	5	8	2	4
Каширское шоссе	76	20	18	16	10	2	5	0	5
Варшавское шоссе	74	18	18	14	7	6	4	0	7
Ленинградский проспект	71	8	19	18	2	13	6	3	2
Ленинградское шоссе	69	13	25	13	5	5	3	2	3
МКАД	65	45	5	4	9	1	0	0	1
Люблинская улица	60	26	10	11	5	5	1	0	2
улица Вавилова	54	15	12	9	11	2	3	2	0
Кутузовский проспект	53	14	16	13	2	2	3	1	2
Пятницкая улица	48	7	18	6	2	9	3	3	0
Алтуфьевское шоссе	45	13	10	9	3	5	3	1	1

	middle_avg_bill
district
Западный административный округ	1000 ₽
Центральный административный округ	1000 ₽
Северо-Западный административный округ	700 ₽
Северный административный округ	650 ₽
Юго-Западный административный округ	625 ₽
Восточный административный округ	600 ₽
Северо-Восточный административный округ	500 ₽
Южный административный округ	500 ₽
Юго-Восточный административный округ	450 ₽

category	ресторан	бар,паб	булочная	пиццерия	кофейня	кафе	быстрое питание	столовая
district
Центральный административный округ	1430 ₽	1419 ₽	1238 ₽	1105 ₽	795 ₽	765 ₽	541 ₽	320 ₽
Западный административный округ	1442 ₽	1341 ₽	723 ₽	905 ₽	732 ₽	827 ₽	432 ₽	276 ₽
Северный административный округ	1228 ₽	1334 ₽	625 ₽	692 ₽	501 ₽	727 ₽	331 ₽	338 ₽
Восточный административный округ	1106 ₽	1206 ₽	291 ₽	707 ₽	486 ₽	620 ₽	365 ₽	365 ₽
Юго-Восточный административный округ	954 ₽	1158 ₽	400 ₽	564 ₽	269 ₽	592 ₽	536 ₽	289 ₽
Южный административный округ	1039 ₽	1079 ₽	458 ₽	687 ₽	527 ₽	701 ₽	369 ₽	292 ₽
Северо-Западный административный округ	1236 ₽	1057 ₽	200 ₽	683 ₽	435 ₽	807 ₽	295 ₽	304 ₽
Юго-Западный административный округ	1117 ₽	996 ₽	533 ₽	798 ₽	382 ₽	584 ₽	415 ₽	312 ₽
Северо-Восточный административный округ	1025 ₽	987 ₽	552 ₽	590 ₽	433 ₽	623 ₽	442 ₽	325 ₽

	Количество	Рейтинг	Средний чек	Ср. коль-во мест	Доля не сетевых	Количество круглосуточных	Доля круглосуточных	Население, чел	Плотность населения, чел/км2	Количество на человека
Количество	1.00	0.45	0.74	0.30	-0.11	0.90	0.27	-0.60	0.09	0.98
Рейтинг	0.45	1.00	0.20	-0.16	-0.13	0.53	0.38	-0.68	-0.05	0.54
Средний чек	0.74	0.20	1.00	0.59	-0.61	0.76	0.43	-0.21	0.02	0.68
Ср. коль-во мест	0.30	-0.16	0.59	1.00	-0.50	0.20	-0.13	-0.09	-0.35	0.28
Доля не сетевых	-0.11	-0.13	-0.61	-0.50	1.00	-0.24	-0.46	-0.00	0.01	-0.08
Количество круглосуточных	0.90	0.53	0.76	0.20	-0.24	1.00	0.63	-0.50	0.19	0.91
Доля круглосуточных	0.27	0.38	0.43	-0.13	-0.46	0.63	1.00	0.05	0.34	0.28
Население, чел	-0.60	-0.68	-0.21	-0.09	-0.00	-0.50	0.05	1.00	0.28	-0.72
Плотность населения, чел/км2	0.09	-0.05	0.02	-0.35	0.01	0.19	0.34	0.28	1.00	0.00
Количество на человека	0.98	0.54	0.68	0.28	-0.08	0.91	0.28	-0.72	0.00	1.00